CUDA是又NVIDIA在2006年推出的一套针对异构计算资源下的大规模并行计算的架构，包括编译器（nvcc）、开发工具、运行时库和驱动等模块。

（在安装CUDA时会安装相应版本的驱动，如果需要多个CUDA版本并存，则应该将高版本的CUDA最后安装，这样高版本的驱动向下兼容低版本）

1、区分cuda driver version和runtime version

几个易混淆的概念：

nvidia 显卡驱动（与cuda driver概念等同）：不管是否使用cuda，都需要安装显卡驱动（比如玩游戏等）。简单说，只要使用nvidia显卡， 就要安装相应的驱动。可通过“nvida-smi”指令查询

上图显示，这台电脑的显卡驱动版本是388.57

cuda toolkit：也就是所说的cuda版本（开发工具包，包括nvcc编译器等，利用显卡进行并行计算处理），在官网下载的就是这个，如cuda8.0等；注意，安装的cuda版本要和显卡驱动匹配，cuda版本需要的最小驱动版本对比表

cuda runtime version：这里包括一些进行cuda高性能计算用到的库文件；如果分开安装时需要先安装cuda driver，然后在安装这个。不过，现在下载的cuda版本都包括显卡的驱动，cuda toolkit以及runtime文件，不需要再分开安装。

cudnn版本：这个是Nvidia公司提供的深度学习加速库，可以提高深度学习的计算速度；

正确的安装顺序是：Nvidia显卡驱动--->cuda （需要查看显卡驱动是否支持该版本，还要和电脑的操作系统匹配，主要是cuda toolkit和runtime）--->cudnn（需要和cuda版本匹配）

注意：现在下载的cuda安装包中通常包含有一个对应的显卡驱动版本，可以安装，也可以不安装。无论是单独安装，还是利用cuda安装包中指定的版本，一定要保证电脑中各个版本相互匹配。

cuda driver（显卡驱动）

cuda toolkit

cuda runtime

通过cuda sample自带的工具deviceQuery.exe可以查询显卡cuda详细信息：

可以看出这里的cuda driver version和runtime version不一致，电脑中明明安装的是cuda8.0，为何cuda driver version是9.1呢？

这是因为电脑中显卡的驱动是388.57，对应的cuda驱动版本是9.1，虽然实际安装的cuda8.0，但是实际指向的确实显卡驱动388.57对应的cuda版本。最可靠的方式是直接安装cuda9.1版本（使用中也没发现问题）。

从这个例子可以（1）从显卡驱动的版本选择对应的cuda版本；（2）根据选择的cuda版本，更新对应的显卡驱动版本。不管哪种方式，一定要保证各个版本相互匹配。

参考：nvidia 驱动和cuda runtime 版本

2、CUDA&cuDNN安装

关于CUDA和cuDNN的安装，网上有很多介绍，这里不再多述。默认的CUDA安装不包括cuDNN，需要通过网站注册为CUDA开发者才能获得下载权限。

cuda各版本下载地址：https://developer.nvidia.com/cuda-toolkit-archive

cudnn各版本下载地址：https://developer.nvidia.com/rdp/cudnn-archive

cuDNN的安装很简单，直接解压下载的安装包即可，只不过使用时需要添加cuDNN路径。另外一种更简单的方法是将cuDNN中的目录（bin,include,lib）复制到CUDA对应目录下，这样做的目的是CUDA路径已经添加到环境变量中，以后查找cuDNN文件时直接从该路径中查找，不用再手动添加cuDNN路径了。

需要特别指出的是在安装CUDA时会安装相应版本的驱动，如果需要多个CUDA版本并存情况，则应该将高版本的CUDA最后安装，这样高版本的驱动向下兼容低版本。

一定要注意版本问题：cuda有支持winows7和winows10的版本区分；cuDNN也有对应CUDA的版本区分；同样caffe也有对cuDNN版本的要求。从微软最先地址下载的caffe一般支持cudnn4或5，网上常见的安装版本是CUDA8.0+cuDNN5.0(5.1)+vs2013+caffe。

2.1 win平台安装cuda

在windous平台上安装cuda比较简单，唯一需要注意的是需要选择对应的操作系统版本，以及架构类型。

另外，cuda安装成功后会将cuda bin路径自动添加到系统环境变量中，便于系统找到cuda工具。但是，在进行cuda编程时，需要添加cuda头文件和lib文件路径，可以在vs中手动设置，也可以提供添加到系统变量中，这样进行cuda编程时可以自动搜索到相应的头文件和库文件。添加路径如下所示：（非必须）

# 手动将cuda头文件路径、库文件路径以及samples生成的bin路径添加到Path中C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\CUPTI\lib64

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\bin\win64

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2\common\lib\x64

【验证驱动安装成功】

查看NVIDIA系统管理接口命令nvidia-smi，可以看到GPU设备和驱动以及占用率等详情

// 如果不识别该命令，将该命添加到环境变量中

nvidia-smi

nvidia-smi -i n // 查看设备n的信息

nvidia-smi -q -i n // 查看设备n的详细信息，比如查看设备0，nvidia-smi -q -i 0

nvidia-smi -l n // 每隔n秒时间动态更新GPU使用情况该命令十分强大，可以控制GPU超频，监控GPU运行信息，可以通过"nvidia-sim -h“获得详细命令清单。

Windows下NVSMI工具默认安装位置为C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-sim.exe

【验证CUDA安装成功】

方法一：查看nvcc版本

nvcc --version

方法二：运行CUDA自带例子

比如编译CUDA Samples\v8.0\1_Utilities\deviceQuery.cpp 该工具查看CUDA的详细信息，包括CUDA版本，kernel数，blob size等信息。很有用的查询工具

【查看CUDA详细信息】

CUDA sample中自带很多例子，其中有关于查看设备详细信息的工具，..\CUDA Samples\v8.0\1_Utilities\deviceQuery，编译生成可执行程序。

2.2 ubuntu平台安装cuda

linux上安装如果分开安装显卡驱动，cuda toolkit还是比较麻烦的，很容易出现不兼容情况导致安装失败。尤其是cuda对linux内核也有相应的要求，如果内核不匹配还要更新到相应的内核版本。

2.2.1 安装Nvidia显卡驱动

由于自己是在笔记本上测试，系统ubuntu 18.04，显卡GTX 960M，正好网上有一篇相同配置的安装教程可以参考：【深度学习】Ubuntu18.04安装NVIDIA GTX960M驱动

【第一步：查看NVIDIA显卡所需驱动版本】

# 检测NVIDIA显卡型号和推荐的驱动程序的模型。在命令行中输入如下命令：

$ ubuntu-drivers devices

# 识别NVIDIA显卡型号，输入一下命令：

$ lshw -numeric -C display

# 查看nvidia显卡信息

lspci | grep -i nvidia

驱动下载地址： https://www.nvidia.com/Download/index.aspx?lang=en-us

根据配置选择需要的最新的驱动下载，如NVIDIA-Linux-x86_64-440.36.run

【第二步：删除原有驱动及禁用第三方驱动】

（1）删除原有驱动

sudo apt-get remove --purge nvidia*

（2）删除双显卡切换工具Bumlebee（如果有）

sudo apt-get purge bumblebee* bbswitch-dkms

（3）禁用nouveau驱动

ubuntu默认内置了Nvidia的第三方开源驱动nouveau，在安装nvidia驱动时，回合nouveua驱动冲突，所以需要将该驱动禁用

sudo gedit /etc/modprobe.d/blacklist.conf

#在blacklist.conf最后中添加：

blacklist nouveau

# 禁用生效

sudo update-initramfs -u

# 重启电脑

reboot

# 查看是否禁用成功，无输出则禁用成功

lsmod | grep mouveau

【第三步：安装驱动】

第一种方式：下载离线驱动，运行

# 运行脚本

sudo sh NVIDIA-Linux-x86_64-440.36.run

# 或者赋权运行脚本

sudo chmod +x NVIDIA-Linux-x86_64-440.36.run

sudo ./NVIDIA-Linux-x86_64-440.36.run

第二种方式：命令安装（在线下载）

sudo apt-get install nvidia-driver-440 nvidia-settings nvidia-prime

【第四步：重启并验证是否安装成功】

# 重启系统

reboot

# 验证驱动是否安装成功

nvidia-smi

# 启动图像界面

nvidia-settings

网上也有教程说安装nvidia驱动时需要切换到文本模式（Ctrl+Alt+F1）下进行，主要是为了关闭X server session，避免在安装驱动时出现问题。

详细可以参考：Ubuntu安装NVIDIA驱动

不过本人在安装过程中没有出现问题，所以就没有尝试这种方法。

特别注意，在安装驱动时，如果电脑是UEFI模式，一定要关闭secure boot项，否则无法安装第三方驱动。（在UEFI模式下，不关闭secure boot项，则会出现很多问题，尤其是很多硬件的驱动无法安装，甚至无法使用）

【卸载驱动】

# 利用nvidia自带工具卸载

sudo nvidia-uninstall

2.2.2 安装cuda

最简单的安装方法直接下载系统对应的cuda版本的runfile，包括cuda driver,cuda toolkit和runtime等内容，可以不用单独采用2.2.1小节的方法先安装nvidia显卡驱动。

其实，最可靠正确的方法还应参考nvidia官网提供的文档手册， https://docs.nvidia.com/cuda/index.html。上面介绍了各个系统详细的安装过程，以及不同的安装方法。

下载所需cuda版本的runfile文件，并执行

sudo sh cuda_10.2.89_440.33.01_linux.run

从文件名称上可以看出cuda版本和显卡驱动版本，cuda版本为10.2.89，显卡驱动版本为440.33.01

在安装过程中，可以选择安装自带的cuda driver（其实就是显卡驱动，如2.2.1小节），也可以指定cuda toolkit和cuda sample安装路径（特别是在根目录空间有限的情况下特别有用）

如果已经安装过显卡驱动，并且符合cuda要求的版本，则在安装cuda过程中可以不安装显卡驱动。如果后期想安装该安装文件自带的驱动，只需执行如下命令

sudo sh cuda_10.2.89_440.33.01_linux.run --silent --driver

特别注意三点：

（1）cuda版本越高，所需空间越大。特别是最新的cuda 10.2 runfile有2.4G左右，安装所需空间至少得3G，默认安装到/usr/local目录下会占用很大的空间，对于本来就划分十几个G的根目录往往导致空间不足，无法安装。因此，需要指定安装目录。另外，在安装过程中，需要从runfile文件中解压，抽取需要的文件，默认缓冲到根目录下，因此实际根目录实际需要的空间会更大。

# 指定临时目录，可以不占用根目录空间

sudo sh cuda_10.2.89_440.33.01_linux.run -tmpdir 目录

在安装过程中，指定cuda安装路径。

（2）cuda对linux kernel以及gcc有所要求。（特别注意）

如下表所示，在ubuntu 10.04系统上安装cuda 10.2所需的linux kernel至少是4.15.0，可查询 https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html

所以，在linxu上安装cuda时，除了显卡驱动，cuda toolkit要安装并版本兼容以外，还要保证所需的linux kernel和gcc版本满足要求。如果不满足要求，还要获取相应的kernel。

# 查询当前版本号

cat /proc/version

uname -a 查看内核版本

cat /etc/issue 简单的版本信息

cat /etc/lsb-release 具体信息

# 通过下面命令获取kernel（具体版本号根据自己的系统而定）：

sudo apt-get install linux-source

sudo apt-get install linux-headers-4.15.0-38-generic

以下是安装失败的提示：

（3）需要将其cuda/bin和cuda/lib添加到环境变量中（默认安装路径也要添加）

例如，cuda安装到/home/gd/local_install/cuda-10.2路径下，

# 在shell中执行

export PATH=/home/gd/local_install/cuda-10.2/bin:$PATH # 保证系统能够找到nvcc之类的工具

export LD_LIBRARY_PATH=/home/gd/local_install/cuda-10.2/lib64: $LD_LIBRARY_PATH # 保证系统能够加载到cuda相应的库

# 但是这种添加方式只对当前环境生效，重启系统就失效

# 每次启动生效的方法

# 在~/.bashrc中添加上面的指令（环境变量）

sudo vi ~/.bashrc # 添加

sudo source ~/.bashrc # 生效

# LD_LIBRARY_PATH环境变量可以通过修改ld.so.conf文件

sudo vi /etc/ld.so.conf

# add /home/gd/local_install/cuda-10.2/lib64

include /home/gd/local_install/cuda-10.2/lib64

sudo ldconfig

安装成功之后，会有相应的提示。

【卸载驱动和cuda】

sudo cuda-uninstaller

sudo nvidia-uninstall

2.3 CUDA架构选择

nvcc编译器选择适合GPU的CUDA架构参数能够提高运行时间和编译时间。

参考： https://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html

3、切换到Caffe GPU加速模式

【Windows平台上切换】

在Windows下需要修改CommonSettings.pros，修改其中关于CUDA和cuDNN的内容项：

然后编译生成libcaffe.lib静态库。

在编译过程中，会报关于【Caffe实战】caffe编译和使用过程中遇到的问题汇总 中【问题1-4】的问题，多半是由于cudnn与cuda以及caffe版本不兼容引起的。选择合适的cudnn版本很重要。

【Linux平台上切换】

在Linux平台上将caffe从CPU模式切换到GPU模式非常简单，首先修改Makefile.config中的选项：

# 仅CPU模式开关，这里要使用GPU模式，所以加上“#”

# CPU_ONLY := 1

# cuDNN加速开关，这里要使用cuDNN，所以打开（去掉前面的“#”）该开关

USE_CUDNN := 1

保存，退出。重新编译整个工程：

$ make clean

$ make -j

【GPU启动】

在训练超参数文件中最后一项的solver_mode改为GPU：

# solver mode: CPU or GPU

solver_mode: GPU

也可以在命令行显示加入选项“-gpu 0”，表示在0号GPU设备上运行Caffe。

# 例如测试LeNet-5模型的运行时间

caffe.bin time -model examples/mnist/lenet_train_test.prototxt -gpu 0

【性能提升】

在训练大网络模型，或者大量训练数据集时，为了让性能最优，建议关掉ECC，开启最大时钟速率。尽管ECC在速度上会引入可忽略的差异，但关掉它可以节省将近1GB的GPU存储器。

ECC(error correcting code, 错误检查和纠正)功能，该功能可以提高数据的正确性，随之而来的是可用内存的减少和性能上的损失。

关闭ECC操作（注意，有些GPU是不支持ECC的，比如公司笔记本是GeForce GTX 960M就不支持ECC，N/A）

# 查询ECC状态;

nvidia-smi -i n // n指设备编号

其中volatile Uncorr.ECC为当前ECC配置

# 开启/关闭ECC

nvidia-smi -i n -e 0/1 // 关闭是0，开启是1，重启后生效

nvidia-smi -i n --ecc-config=0

修改GPU memory的缓存不清楚，以便提高下次加载速度

nvidia-smi -pm 1

设置时钟速率

nvidia-smi -i n -ac 3004.875 // 每个GPU最大支持的时钟速率不同

4、GPU加速模式测试对比

对LeNet-5模型进行时间测试，迭代50次。

# 测试CPU平均时间

..\\..\\Build\\x64\\Release\\caffe.exe time --model=lenet_train_test.prototxt > lenet_train_test_time_cpu.log 2>&1

# 测试GPU平均时间

..\\..\\Build\\x64\\Release\\caffe.exe time --model=lenet_train_test.prototxt -gpu 0 > lenet_train_test_time_gpu.log 2>&1

测试环境：caffe+cuda8.0+cudnn5.0+vs2013 GeForce GTX 960M

模式

CPU

GPU-cuda10.0

GPU-cuda8.0

GPU-cuda8.0+cudnn5.0

时间（ms）

2159

724.239

1062.42

334.181

效率（相对CPU提升）

1

2.98

2.03

6.46

从上表可以看出：

GPU相对CPU能够加速2倍左右；不同的cuda版本加速的效率不同，这里cuda10.0比cuda8.0版本的效率高出近1倍了，说明高版本的cuda做了更好的优化；

cudnn确实有明显的提升，如何换成复杂的网络模型可能效果更明显。